基于孪生支持向量机的齿轮箱故障诊断

针对齿轮箱振动信号非平稳特性以及故障样本数据处理困难的特点,提出了基于小波包分解和孪生支持向量机的故障诊断方法。首先采集信号通过Mallat塔式算法对信号进行小波分解再重构从而获得频带能量谱,然后通过归一化的方法再提取各频带的故障诊断特征向量。并将它送入孪生支持向量机进行训练。实验表明,该方法有效提高了分类精度和鲁棒性,而且具有较高的诊断效率。     

小波分解和最小二乘支持向量机的风机齿轮箱故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(LS-SVM)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于α稳定分布参数和支持向量机的齿轮箱故障诊断方法

针对含有尖脉冲的齿轮箱振动信号故障特征难以提取且样本较少的问题,提出了一种基于α稳定分布和支持向量机故障诊断的新方法。先设计齿轮箱故障测试方案,获取齿轮箱振动信号;然后提取齿轮箱振动信号的α稳定分布参数,用它作为故障类型的特征样本,并结合决策树和投票法构造多分类支持向量机齿轮箱故障决策系统。该方法较好地解决了小样本学习问题,避免了人工神经网络进行诊断时的过学习、收敛速度慢等缺点。实际齿轮箱故障诊断实验结果表明所提方法有效。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

飞行器液压舵面作动机构故障诊断研究

针对液压舵面伺服控制机构的结构部分的故障,找到一种较为成熟,可供工程实用的理论,为此提出采用小波包和支持向量机相结合的诊断方法;为了验证诊断方法的有效性,搭设物理试验平台模拟液压舵面伺服控制系统,通过试验手段,对舵面机构的转轴结构损伤特征以及对轴承卡阻故障特征应用小波包分解和计算小波包能量的方法进行有效的特征提取,针对结构损伤和故障识别中实际样本较少的问题,提出了基于支持向量机的识别诊断方法,结果显示该方法实用有效。     

装备故障诊断方法研究

研究装备故障预报,便于及时维修,选取诊断方法对于高效的故障诊断具有重要意义,因此概括了故障诊断的方法.为了提高诊断率,保证运行安全,采用小波分析和回归型支持向量机两种先进的故障诊断方法,仿真结果表明两种方法都能准确定位故障点,用时大致相同,但支持向量机同时实现原始信号的重构,而且残差比小波滤波的信号噪声还要小,可以优先采用,对故障诊断方法的选取具有指导意义.采用人工神经网络方法较好地解决了齿轮故障问题,并且诊断结果是准确的.     

基于多通道输入CNN-SVM的齿轮箱故障诊断

为了有效地识别旋转机械的早期故障,采用一种多通道输入连续卷积神经网络支持向量机(CNN-SVM)早期故障诊断模型.模型将来自多个传感器采集不同方向、位置的原始数据直接输入到改进的CNN模型中进行训练.利用改进的CNN从新的原始故障数据中提取特征,将提取的稀疏代表特征向量输入到SVM中进行故障分类.将所提方法应用于齿轮箱...     

基于支持向量机的转子系统早期故障诊断方法

转子系统中的振动信号包含了很多状态信息,运行过程中故障特征的有效提取和识别对于转子系统早期故障诊断非常关键。针对转子系统故障信息的复杂性,提出将小波包分析和支持向量机相结合的转子系统早期故障诊断方法。该方法首先利用改进的小波包方法提取早期故障特征;然后将提取的特征向量输入基于支持向量机的分类器进行故障识别。实验分析结果表明,该方法在小样本情况下,能够有效识别转子系统的早期故障,具有很好的分类精度,而且能够实现旋转机械的多故障诊断。     

小波包结合支持向量机的故障诊断方法

提出一种结合小波包分析（WPA）理论和支持向量机（SVM）分类器的机械故障诊断方法。该方法具有重复训练样本少,简单、直观的优点,具有很高的分类性能。利用获得的机械故障数据建立故障分类器,对不同测试集条件下的3种SVM核函数、SVM方法与神经网络方法的比较结果证明,基于小波包和支持向量机的故障诊断方法是机械故障诊断的发展方向。并对实验的最佳训练样本集进行讨论。     

A comparative study on classification of features by SVM and PSVM extracted using Morlet wavelet for fault diagnosis of spur bevel gear box

The condition of an inaccessible gear in an operating machine can be monitored using the vibration signal of the machine measured at some convenient location and further processed to unravel the significance of these signals. This paper deals with the effectiveness of wavelet-based features for fault diagnosis using support vector machines (SVM) and proximal support vector machines (PSVM). The statistical feature vectors from Morlet wavelet coefficients are classified using J48 algorithm and the predominant features were fed as input for training and testing SVM and PSVM and their relative efficiency in classifying the faults in the bevel gear box was compared.     

基于模糊粗糙集和支持向量机的化工过程故障诊断

为解决化工过程故障不易诊断的问题,提出一种基于模糊粗糙集特征提取和支持向量机的故障诊断方法。首先,利用模糊粗糙集对特征信息进行提取,构筑相应的故障特征集合;然后,将故障特征集合对应的样本输入到支持向量机分类器,实现对化工过程不同故障的识别。在TEP故障诊断中的应用表明了所提出方法的有效性。     

基于DWT-LSSVM的图像压缩算法

为了进一步提高图像压缩效率和质量,提出一种离散小波变换（DWT）和最小二乘支持向量机（LSSVM）相融合的图像压缩方法（DWT-LSSVM）。采用DWT对图像分解,得到低频系数和高频系数,采用LSSVM归学习逼近高频系数,并采用混沌粒子群算法对LSSVM参数进行优化,对支持向量、权重和低频系数进行编码,得到数据压缩数据流。仿真结果表明,DWT-LSSVM获得了较高的压缩比,可以较好满足图像传输的实时性要求。     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于NMF-SVM的复杂化工过程故障诊断

针对复杂化工过程中存在故障数据维数大与识别率低的问题,提出了1种非负矩阵分解与支持向量机相结合的故障诊断方法。该方法首先对原始特征数据进行非负矩阵分解,得到基向量矩阵与系数矩阵,用基向量矩阵作为输入训练SVM分类器,针对NMF结果的不稳定性,采用PCA模型确定NMF的初始值;然后通过系数矩阵构造超定线性方程组,并将其最小二乘解作为样本特征矩阵输入分类器进行故障类型的识别。通过对Tennessee Eastman(TE)过程数据的仿真研究,实验结果验证了该方法的有效性。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于小波和支持向量机的故障趋势预报

从工业生产过程实用的观点出发,鉴于小波变换能有效地对信号进行消噪的优点和支持向量机的卓越学习性能,探讨基于小波和支持向量机的故障趋势预报,并结合专家系统建立解释机制。将其用于工业精对苯二甲酸(PTA)生产过程中对二甲苯(PX)氧化反应器尾氧浓度故障预报的结果表明:该方法能准确地对尾氧浓度故障趋势进行预测,并同时给出故障产生的概率大小,为PX氧化反应器的安全平稳操作提供了保证。     

基于SVM的滚动轴承工作状态检测

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题.本文提出了一种基于多级支持向量机分类器的滚动轴承工作状态识别方法.该方法通过时域特征参数对原信号进行特征提取,不仅计算简单,而且不考虑滚动轴承的型号和转速.试验表明这种方法具有很好的分类能力.     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.